programa de pÓs-graduaÇÃo em engenharia...

Disciplina SER 301 – Análise Espacial

Professores: Eduardo G. Camargo e Antônio Miguel V. Monteiro

“Análise Espacial de Padrões de Consumo de Energia

Elétrica em Áreas Urbanas”

JOEL DAVID MELO TRUJILLO

.

São José dos Campos – SP

Dezembro/2011

SUMÁRIO

Capítulo 1 - Introdução ............................................................................................................. 3

Capítulo 2 -Análise Espacial da Demanda Elétrica em Áreas Urbanas ................................. 5

2.1 ANÁLISES DE PADRÕES DE DISTRIBUIÇÃO DE PONTOS ....................................... 5

2.1.1 Caracterização de Distribuição de Pontos .................................................................... 5

2.1.2 Estimadores de Intensidade (Kernel Estimation) .......................................................... 8

2.1.2.1 Conclusões do Estimador de Intensidade ..................................................................... 10

2.1.3 Estimadores de Dependência Espacial ........................................................................ 10

2.1.3.1 Método do Vizinho Mais Próximo ................................................................................ 11

2.1.3.2 Função K ...................................................................................................................... 13

2.1.3.3 Conclusões dos Estimadores de Dependência Espacial .............................................. 15

2.2 ANÁLISES DE PADRÕES DE ÁREAS ........................................................................... 15

2.2.1 Modelos de Distribuição de Dados em Áreas .............................................................. 16

2.2.1 Análise de Autocorrelação Espacial ............................................................................. 16

2.2.2 Matrizes de Proximidade Espacial ............................................................................... 17

2.2.3 Indicador Global de Autocorrelação Espacial ............................................................ 18

2.2.4 Indicadores Locais de Associação Espacial ................................................................. 21

2.2.5 Conclusões da Análise de Padrões de Área ................................................................. 22

Capítulo 3 - Conclusões Finais ............................................................................................... 24

3.1 TRABALHOS FUTUROS ............................................................................................... 24

REFERÊNCIAS ...................................................................................................................... 25

Capitulo 1 – Introdução 3

Capítulo 1 - Introdução

O elevado nível de expansão das cidades, o envelhecimento das redes elétricas e as

práticas do mercado de eletricidade têm deixado as concessionárias de distribuição com

grandes desafios no planejamento da expansão das redes. As empresas elétricas têm como

objetivo oferecer um serviço confiável e econômico na área de serviço para respeitar os

padrões impostos pela lei vigente. A confiabilidade, eficiência e economia do sistema de

distribuição dependem da localização dos elementos da rede dentro da área de serviço e da

sua capacidade para poder abastecer a demanda elétrica. Portanto, para realizar um

planejamento eficiente da expansão da rede elétrica com uma viabilidade econômica e

técnica, e manter os consumidores satisfeitos pela qualidade do serviço prestado, as empresas

precisam identificar a como a demanda elétrica encontra-se distribuída na área de concessão,

quais são os padrões que existem dentro da área de serviço e verificar a existência de

aglomerados que tenham uma dinâmica de crescimento de demanda elétrica diferenciada.

O supracitado motivou a realizar uma análise exploratória da variável demanda

elétrica com o fim de encontrar padrões de consumo de energia em áreas urbanas que possa

ter alguma relação com o espaço geográfico e que possam direcionar a expansão das redes

elétricas.

Para realizar a análise exploratória utilizou-se como variável de entrada a base de

dados de instalação de transformadores da empresa elétrica concessionária na cidade de

estudo. Nesta base tem-se a coordenada geográfica da localização de cada transformador e sua

capacidade nominal em KVA. Com o fim de aproveitar as características dos dados foram

realizadas análises de padrões de distribuição de pontos e análise de padrões de áreas, os

detalhes destas análises serão mostrados no Capítulo 2.

Na área de planejamento e no setor elétrico, em geral, é muito utilizada por

profissionais e pesquisadores a palavra carga para referir-se à demanda de energia e o

consumo de energia elétrica. Para a Agência Nacional de Engenharia Elétrica (AGÊNCIA

NACIONAL DE ENERGIA ELÉTRICA - ANEEL), a carga é a caracterização da demanda

do sistema, em um determinado ponto de interesse, definida por uma ou mais das seguintes

grandezas: potência ativa, demanda de energia ativa e demanda de energia reativa (ANEEL,

2009). Neste trabalho utilizou-se o termo “carga” que deverá ser entendido como demanda

de energia elétrica.

Capitulo 1 – Introdução 4

Por outro lado, os usuários da rede elétrica estão familiarizados com a palavra energia

elétrica, mas as palavras energia elétrica e demanda elétrica são termos diferentes do ponto

de vista da Engenharia Elétrica. Segundo a ANEEL, a energia elétrica fornecida é a

quantidade de energia elétrica (kWh) fornecida e medida pela distribuidora: aos usuários para

o consumo próprio. Porém, a demanda elétrica é a média das potências elétricas ativas ou

reativas, solicitadas ao sistema elétrico pela parcela dos aparelhos elétricos instalados e em

operação, durante um intervalo de tempo especificado, as unidades utilizadas são kW ou KVA

(ANEEL, 2009). Neste trabalho a variável demanda elétrica é a variável de interesse que se

deseja estudar a fim de realizar uma expansão das redes elétricas eficiente, econômica e

confiável.

Os resultados das análises realizadas podem ser de ajuda para mostrar a evidencia de

dependência espacial no processo de instalação de transformadores e existência

autocorrelação espacial entre a densidade de carga (consumo de demanda por unidade de

área) de uma subárea e seus vizinhos. Tais informações irão auxiliar a tomada de decisão no

planejamento da expansão das redes elétricas

As análises realizadas mostram como se podem utilizar técnicas de análise espacial

para explorar o consumo de energia a fim de poder compreender fatores da área de estudo que

podem direcionar a expansão das redes elétricas na cidade. As duas aplicações deste trabalho

foram realizadas utilizando o programa R Development Core Team (2008).

O trabalho desenvolvido não procura realizar uma previsão de demanda, tarefa que é

importante no planejamento de expansão. A determinação da demanda em cada localidade

dentro da área de serviço está fora do foco deste trabalho. Este trabalho procura ajudar no

processo exploratório antes de aplicar técnicas de simulação, ou outras técnicas, que permitam

determinar a quantidade de demanda em cada localidade da área de serviço.

No capítulo seguinte se mostraram as análises de padrões de pontos e áreas. Logo, no

Capítulo 3 serão mostradas as conclusões e futuros trabalhos a desenvolver com o fim de criar

ferramentas de auxilio para expansão das redes elétricas.

Capítulo 2 – Análise Espacial da Demanda Elétrica em Áreas Urbanas 5

Capítulo 2 -Análise Espacial da Demanda Elétrica em Áreas Urbanas

Neste capítulo serão apresentadas as análises de padrões de distribuição de pontos e

padrões de áreas. Os conceitos teóricos dessas análises podem ser encontrados em Bailey e

Gatrell (1995). Também foram consultadas a publicação de Fucks, Sá Carvalho, Câmara e

Monteiro (2004) e Bivand, Pebesma e Gómez-Rubio (2008).

Um breve resume teórico de cada uma dessas técnicas serão mostradas antes de

apresentar os resultados obtidos.

2.1 ANÁLISES DE PADRÕES DE DISTRIBUIÇÃO DE PONTOS

2.1.1 Caracterização de Distribuição de Pontos

O interesse primário ao analisar padrões de distribuição de pontos é determinar se os

eventos observados, que para a aplicação do trabalho é a instalação de transformadores,

exibem algum padrão sistemático, em oposição à uma distribuição aleatória. Busca-se detectar

a existência de padrão de conglomerados espaciais (cluster), através da constatação de um

número acima do esperado de casos excessivamente próximos, considerando uma distribuição

estocástica, usualmente um processo de Poisson. Se um padrão de eventos pontuais apresenta

desvios significativos do comportamento esperado para uma distribuição de Poisson, isto

indicará a existência de uma distribuição espacial diferente da completa aleatoriedade, que

merece ser objeto de maior análise.

Desde o ponto de vista da estatística, os processos pontuais são definidos como um

conjunto de pontos irregularmente distribuídos em um terreno, cuja localização foi gerada por

um mecanismo estocástico. Para sua caracterização, este processo estocástico pode ser

descrito em termos dos efeitos de primeira ordem e efeitos de segunda ordem.

Os efeitos de primeira ordem, também conhecidos como globais ou de larga escala,

correspondem a variações no valor médio do processo no espaço. Neste caso, o interesse é a

intensidade do processo, isto é, o número de eventos por unidade de área. Para a primeira

aplicação do trabalho será números de transformadores por unidade de área. Por outro lado, os


efeitos de segunda ordem, também denominados locais ou de pequena escala, representam a

dependência espacial no processo, proveniente da estrutura de correlação espacial. Para medir

a dependência espacial, se procurará estimar o relacionamento entre pares de eventos por

unidade de área no espaço, o que corresponde a uma aproximação do cálculo da covariância

entre as variáveis aleatórias que representam cada evento, os quais são um processo

estocástico, na qual cada ocorrência é uma realização de uma variável aleatória distinta.

Considera-se um conjunto de pontos numa determinada região

onde ocorreram estes eventos. O processo pontual é modelado considerando sub-regiões em

através de sua esperança e a covariância , na qual denota o

número de eventos em . Considerando que o objetivo da análise de pontos é estimar as

prováveis localizações de ocorrência de determinados eventos, essas estatísticas devem ser

inferidas considerando o valor limite da quantidade de eventos por área.

Este valor limite corresponde à esperança de para uma pequena região em

torno do ponto , quando essa tende a zero. Essa esperança é denominada intensidade

(propriedade de primeira ordem), sendo definida como:

2.1

Propriedades de segunda ordem podem ser definidas da mesma forma, considerando a

intensidade conjunta entre duas regiões infinitesimais e que contém os

pontos e .

Quando o processo é estacionário, é uma constante, ou ; se também é

isotrópico, se reduz à , sendo a distância entre os dois pontos. Quando o

processo é não estacionário, ou seja, a intensidade média varia na região , a modelagem da

estrutura de dependência deve incorporar a variação de . A maior parte das

técnicas de análise de distribuição de pontos supõe, explícita ou implicitamente, um

comportamento estacionário e isotrópico do processo aleatório subjacente aos eventos

analisados.

Para a primeira aplicação do trabalho, a ocorrência de instalação dos transformadores

está condicionada pela distribuição dos usuários. Além disso, características individuais dos


usuários como consumo residencial, comercial e industrial alto ou baixo podem condicionar a

instalação da capacidade dos transformadores a ser instalado em uma determinada localidade.

É possível, entretanto, modelar estes eventos e detectar áreas de maior densidade de carga,

verificando a variação da intensidade do evento na região e a estrutura de correlação local.

A análise estatística dos padrões de distribuições de pontos requer um modelo teórico

de referência, base para o desenvolvimento de métodos formais que checam a significância

dos resultados exploratórios. O modelo teórico mais simples (e bastante aplicado na prática) é

conhecido como aleatoriedade espacial completa (Complete Spatial Randomness - CSR). Este

modelo divide a região de estudo em subáreas e modela a distribuição de eventos

pontuais como um processo aleatório

Neste caso, considera-se que é o número de eventos que ocorrem na subárea .

No modelo CSR, as ocorrências em cada subárea são não correlacionadas e homogêneas, e

estão associadas à mesma distribuição de probabilidade de Poisson. Numa visão intuitiva,

pode-se considerar que a posição dos eventos é independente e de que os eventos tem igual

probabilidade de ocorrência em toda a região .

Esta formulação permite estabelecer uma base de comparação entre uma distribuição

completamente aleatória (que seria gerada por um processo de Poisson) e os dados coletados

em campo. O procedimento mais usual para estimar a probabilidade associada ao padrão

encontrado será produzir uma simulação do processo aleatório na região de estudo. Dado um

número fixo de eventos medidos em campo (denotado por ), determinamos o retângulo

envolvente da região (seja ). Os eventos são

gerados a partir de abscissas , obtidas de uma distribuição uniforme em e de

ordenadas , obtidas de uma distribuição uniforme em . Pontos que caem fora da

região são rejeitados. Este processo é repetido até que eventos tenham sido obtidos na

região.

Podemos gerar um conjunto de simulações, para que possamos obter uma base de

comparação entre o comportamento de um processo aleatório e a distribuição dos eventos

medidos. Os conceitos de CSR são utilizados para caracterizar os efeitos de segunda ordem

em distribuição de pontos, utilizando os métodos do vizinho mais próximo e da função K,


descritos na seção 2.1.3. Também esses conceitos são utilizados para avaliação em vários

métodos de detecção de aglomerados (clusters).

2.1.2 Estimadores de Intensidade (Kernel Estimation)

Uma alternativa para analisar o comportamento de padrões de pontos é estimar a

intensidade pontual do processo em toda a região de estudo. Para isto, pode-se ajustar uma

função bidimensional sobre os eventos considerados, composto de uma superfície cujo valor

será proporcional à intensidade de amostras por unidade de área. Esta função realiza uma

contagem de todos os pontos dentro de uma região de influência, ponderando-os pela

distância de cada um à localização de interesse, como mostrado na Figura 2.1.

Figura 2.1. Estimador de intensidade de distribuição de pontos.

Considerando que são localizações de eventos observados em uma região

e que represente uma localização genérica cujo valor se deseja estimar. O estimador de

intensidade é computado a partir dos eventos } contidos num raio de

tamanho em torno de e da distância entre a posição e a i-ésima amostra, a partir de

funções cuja forma geral é:

O estimador mostrado em 2.4 é chamado kernel estimator e seus parâmetros básicos

são: (a) um raio de influência que define a vizinhança do ponto a ser interpolado e

controla o "alisamento" da superfície gerada; (b) uma função de estimação com propriedades

de suavização do fenômeno. O raio de influência define a área centrada no ponto de estimação

que indica quantos eventos contribuem para a estimativa da função intensidade . Um

raio muito pequeno irá gerar uma superfície muito descontínua; se for grande demais, a

x

xxx

x

x

xx

x

x

Kernel K()

Largura

Amostras


superfície poderá ficar muito amaciada. No caso da função de interpolação k(), é comum usar

funções de terceira ou quarta ordem, como o kernel gaussiano.

Neste estimador, representa a distância entre a localização na qual se deseja calcular

a função e o evento observado.

O estimador de intensidade é muito útil para fornecer uma visão geral da distribuição

de primeira ordem dos eventos.

A Figura 2.2 ilustra a aplicação do estimador de intensidade para a instalação de

transformadores no ano 2001. Esta figura foi obtida considerando o método de Sheather e

Jones (1991), o qual se encontra disponível em R Development Core Team (2008). Por outro

lado, a função de estimação utilizada é a função do kernel gausiano.

Figura 2.2 Estimador de intensidade para a distribuição de transformadores instalados no ano 2001.

Da Figura 2.2 pode-se observar que se tem uma alta intensidade no centro de

atividades da cidade e que esta intensidade diminui na medida em que se afasta do centro de

atividades.

A Figura 2.3 ilustra a aplicação do estimador de intensidade para a instalação de

transformadores no ano 2002. Os parâmetros utilizados são os mesmos da Figura 2.2.


Figura 2.3 Estimador de intensidade para a distribuição de transformadores instalados no ano 2010.

Comparando as Figuras 2.2 e 2.3 pode-se observar que a intensidade no centro de

atividades da cidade aumentou, mantêm-se a característica de crescimento centro-periferia, a

intensidade diminui na medida que se afasta do centro de atividades, e que a intensidade em

zonas da periferia da cidade apresenta um aumento considerável.

2.1.2.1 Conclusões do Estimador de Intensidade

Considerando que o maior número de transformadores corresponde às zonas de maior

demanda elétrica e observando as Figuras 2.2 e 2.3, pode-se afirmar que a cidade tem um

centro de maior consumo, que para as aplicações do trabalho coincidem com o centro de

atividades da cidade.

Também, pode-se concluir que a cidade apresenta um comportamento de demanda

centro-periferia. Maior crescimento de demanda elétrica no centro da cidade e diminui na

medida em que se afasta do centro.

2.1.3 Estimadores de Dependência Espacial

Para a estimação de propriedades de segunda ordem do processo pontual, as técnicas

mais utilizadas são o vizinho mais próximo e a função K, descritos a seguir.


2.1.3.1 Método do Vizinho Mais Próximo

O método do vizinho mais próximo estima a função de distribuição cumulativa

baseado nas distâncias entre eventos em uma região de análise.

Esta função de distribuição pode ser estimada empiricamente da seguinte forma:

Sendo que o valor normalizado acumulado para uma distância corresponde à soma

dos vizinhos mais próximos de cada evento cuja distância é menor ou igual a h, dividido pelo

número de eventos na região.

O gráfico desta função de distribuição cumulativa empírica pode ser usada como

um método exploratório para verificar a existência de evidência de interação entre os eventos.

Se este gráfico apresenta um crescimento rápido para pequenos valores de distância, esta

situação aponta para interação entre os eventos caracterizando agrupamentos nestas escalas.

Se este gráfico apresentar valores pequenos no seu início, e só crescer rapidamente para

valores maiores de distância, esta situação aponta para uma distribuição mais regular.

A Figura 2.4 mostra a função , , e que representam

a função de distribuição teórica de Poisson, função de distribuição estimada com correção de

Hanish (1984), função de distribuição estimada com correção de borda e a função de

distribuição obtida através do estimador Kaplan-Meier (BADLEY; GILL, 1997)

respectivamente, para os dados da instalação de transformadores para o ano 2001, com

distância mínima de 0 m e distância máxima de 200 m. Verifica-se que a curva mostra um

crescimento acentuado até distâncias no entorno de 150 m para depois se estabilizar, o que

caracteriza agrupamento nesta faixa de distâncias.

A análise de vizinhança pode ser usada como método formal para se comparar

estatisticamente a distribuição dos eventos observados com o que se esperaria na hipótese da

aleatoriedade espacial completa (CSR). Esta metodologia consiste em se criar funções de

distribuição estimadas para a distribuição CSR, a fim de se acessar a significância dos

desvios. Na hipótese de CSR, a função de distribuição G(r) seria dada por um processo de

Poisson.


Figura 2.4 Função de distribuição do vizinho mais próximo para instalação de transformadores do ano

2001.

O gráfico da distribuição estimada ( ) versus a distribuição estimadas ( ,

e ), permite medir a significância dos desvios relativo a aleatoriedade. Se a

condição CSR for válida para os dados observados, os gráficos das curvas de ,

e ) versus deve ser praticamente linear com um ângulo de 45 graus. Se

o dado apresenta tendências para agrupamentos, os traçados no gráfico estarão acima da linha

de 45 graus, ao passo que para padrões de regularidade os traçados ficarão abaixo da linha de

45 graus.

A Figura 2.5 mostra um exemplo do gráfico da distribuição da função mostrando

o posicionamento da distribuição e das distribuições estimadas, para os dados referentes aos

dados de instalação de transformadores para o ano 2011. Neste caso percebe-se a posição das

funções estimadas acima da linha de 45 graus, o que caracteriza agrupamento para as

distâncias em análise.

Embora o método do vizinho mais próximo forneça uma indicação inicial da

distribuição espacial, ele considera apenas escalas pequenas. Para se ter informação mais

efetiva para o padrão espacial em escalas maiores, o melhor método a ser utilizado é o da

função K.


Figura 2.5 Gráfico de , e ) versus para os dados de instalação de

transformadores do ano 2001.

2.1.3.2 Função K

A função K, também denominada medida de momento de segunda ordem reduzido, é

definida para o processo univariado como:

Na qual, está associado ao número de eventos, é o operador de estimativa, e é

a intensidade ou número médio de eventos por unidade de área, assumida constante na região.

Uma estimativa de é:

Na qual é a área da região, é o número de eventos observados, é uma

função indicação cujo valor é 1 se e 0 em caso contrário, e é a proporção da

circunferência do círculo centrado no evento que está dentro da região (correção devido ao

efeito de borda).

A função K é usada como ferramenta exploratória na comparação entre estimativa

empírica e a resultante de um processo de padrão de pontos espacial aleatório .

Para um processo aleatório seria . Portanto, uma forma de comparar a estimativa


de um conjunto de dados observados com seria realizar o gráfico da função definida

como:

O gráfico de em função da distância indica atração espacial entre eventos ou

agrupamentos para valores positivos, sendo o agrupamento mais forte em picos positivos, e

indica repulsão espacial ou regularidade em pontos de valores negativos. Uma abordagem

similar à do vizinho mais próximo pode ser feita para se estimar a significância dos desvios da

distribuição em relação à condição de aleatoriedade (CSR). Desta forma, se todos os

valores estimados da função estiverem acima do valor teórico da função , teremos

agrupamentos em todas as escalas. Depressões negativas na função estimada que

estiverem abaixo dos valores estimados evidenciam regularidade nessa escala, portanto, se

todos os valores de estiverem abaixo da função e com valores negativos, tem-se

regularidade em todas as escalas.

A Figura 2.6 mostra o gráfico da função para os dados em análise (Figura 2.1).

Verificam-se valores que existem agrupamentos dentro de uma faixa de distâncias entre 2,8

km e 3,0 km.

A função L foi obtida para todo o período disponível, ou seja, desde o ano 2001 até o

ano 2010, Na Tabela 2.1 mostra a evolução do valor máximo em km da Função L para cada

ano. Pode-se observar que a distância máxima durante os 10 anos encontra-se em torno de 3,4

km. Considerando simetria entorno desse valor máximo com um desvio de 0,1 km, nesse caso

pode-se obter que para distâncias entre 3,3 a 3,5 km há evidências de agrupamento.

Tabela 2.1 Valor Máximo em km da Função L desde 2001 até o 2010.

2001 2948

2002 3029

2003 3431

2004 3430

2005 3430

2006 3430

2007 3430

2008 3436

2009 3434

2010 3600

Distância

MáximaAno


Figura 2.6 Função L para a distribuição de transformadores do ano 2001.

2.1.3.3 Conclusões dos Estimadores de Dependência Espacial

Os resultados obtidos das técnicas aplicadas demonstram a evidencia de

agrupamentos. Estes agrupamentos são importantes para os planejadores, devido a que dentro

da área de serviço existem consumidores que atraem outros consumidores incrementando a

demanda elétrica em seu entorno. Por exemplo, geralmente, a construção de um centro

comercial facilita o crescimento da demanda residencial próxima da sua área de influência,

mas a construção de uma rodovia facilita o crescimento da demanda industrial na área.

As técnicas mostradas nas seções anteriores permitem encontrar o raio da área de

influência dos agrupamentos presentes na área urbana. O valor do raio encontrado permitirá

aos engenheiros de planejamento determinar a abrangência dessas construções, desta forma,

pode-se analisar a capacidade da infraestrutura elétrica para abastecer as demandas elétricas

destas construções.

2.2 ANÁLISES DE PADRÕES DE ÁREAS


2.2.1 Modelos de Distribuição de Dados em Áreas

O modelo de distribuição mais utilizado para dados de área é o modelo de variação

espacial discreta. Considere-se a existência de um processo estocástico , onde

é a realização do processo espacial na área e é o total de áreas . O objetivo principal

da análise é construir uma aproximação para a distribuição conjunta de variáveis aleatórias

, estimando sua distribuição.

De forma semelhante ao modelo de eventos pontuais discutido na seção 2.1,

considere-se como a variável aleatória que descreve a contagem, indicador ou taxa

associada à área . O valor observado , correspondente à contagem na i-ésima área. A

hipótese mais comum é supor que a variável aleatória , que descreve o número de

ocorrências em cada área pode ser associada a uma distribuição de probabilidade de Poisson.

Tal hipótese justifica-se por ser esta a distribuição estatística mais adequada a fenômenos que

envolvem contagens de eventos, como é o caso na maioria dos dados agregados por áreas.

Evidentemente outras distribuições podem ser mais adequadas, dependendo da variável a ser

analisada. Taxas podem ser modeladas utilizando a distribuição normal, pois ainda que esta

admita valores negativos, evidentemente impossíveis neste tipo de indicador, as propriedades

da distribuição normal podem ser adequadas.

A alternativa à hipótese de variação espacial discreta é supor que os dados apresentam

variação espacial contínua. Considera-se um processo estocástico ,

cujos valores podem ser conhecidos em todos os pontos da área de estudo. Neste caso, as

contagens agregadas devem ser transformadas em taxas ou indicadores, pois o que varia

continuamente no espaço são as taxas e não as contagens. Para o desenvolvimento da segunda

aplicação será considerado como taxa a densidade de carga instalada, isto é, os KVA totais

instalados por unidade de área.

2.2.1 Análise de Autocorrelação Espacial

Para estimar a magnitude da autocorrelação espacial entre as áreas são utilizadas o

índice global de Moran, o índice de Geary e o variograma. Quando se dispõe de grande

número de áreas, resultantes, por exemplo, de escalas espaciais detalhadas, a natureza dos

processos envolvidos é tal que é muito provável a existência de diferentes regimes de

correlação espacial em diferentes sub-regiões. Para evidenciar estes regimes espaciais,


podem-se utilizar os indicadores locais de autocorrelação espacial e o mapa de espalhamento

de Moran. Todas estas estatísticas dependem da definição de vizinhança adotada, como se

mostrará na seção 2.2.2.

Por outro lado, o variograma é a base das análises realizada pela geoestatística. A

geoestatística não pode ser aplicada com dados de densidade de carga, devido a que esta

densidade não se encontra distribuída em forma uniforme em toda a área urbana e não

apresentam uma correlação direta com a distância. Portanto, prosseguiu-se a explorar a

técnica de Moran utilizando os resíduos de uma regressão linear para contorna a instabilidade

das taxas ou indicadores, como será mostrada na seção 2.4.

2.2.2 Matrizes de Proximidade Espacial

Para estimar a variabilidade espacial de dados de área, uma ferramenta básica é a

matriz de proximidade espacial, também chamada matriz de vizinhança. Dado um conjunto de

áreas , construímos a matriz onde cada um dos elementos

representa uma medida de proximidade entre e . Esta medida de proximidade pode ser

calculada a partir de um dos seguintes critérios:

, se o centróide de está a uma determinada distância de ; caso contrário

.

, se compartilha um lado comum com , caso contrário .

, onde é o comprimento da fronteira entre e e é o perímetro de .

Como a matriz de proximidade é utilizada em cálculos de indicadores na fase de

análise exploratória, é muito útil normalizar suas linhas, para que a soma dos pesos de cada

linha seja igual a 1. Isto simplifica vários cálculos de índices de autocorrelação espacial.

A ideia da matriz de proximidade espacial pode ser generalizada para vizinhos de

maior ordem (vizinhos dos vizinhos). Com critério análogo ao adotado para a matriz de

vizinhança de primeira ordem, pode-se construir as matrizes .


Na Figura 2.7 ilustra-se o diagrama de vizinhança adotada para a aplicação deste

trabalho. O critério seguido para obter este diagrama é a se contiguidade que o segundo

critério dos antes mencionados.

Figura 2.7 Estrutura de vizinhança para aplicação da análise de padrões por área.

2.2.3 Indicador Global de Autocorrelação Espacial

Autocorrelação espacial mostra como os valores estão correlacionados no espaço.

Neste contexto, as funções de autocorrelação espacial e o variograma são utilizados para

estimar quanto o valor observado de um atributo numa região é dependente dos valores desta

mesma variável nas localizações vizinhas. O índice global de Moran I é a expressão da

autocorrelação considerando apenas o primeiro vizinho, como se mostra:

Na qual, é o número de áreas, é o valor do atributo considerado na área , é o

valor médio do atributo na região de estudo e são os elementos da matriz normalizada de

proximidade espacial. Neste caso a correlação será computada apenas para os vizinhos de

primeira ordem no espaço, conforme estabelecido pelos pesos . No caso que se deseje

utilizar uma matriz de proximidade de maior ordem deve utilizar-se em lugar . Desta

forma, pode-se a função de autocorrelação considerando matrizes de maior ordem.


De uma forma geral, o índice de Moran presta-se a um teste cuja hipótese nula é de

independência espacial; neste caso, seu valor seria zero. Valores positivos (entre 0 e +1)

indicam para correlação direta e negativos (entre 0 e –1) para correlação inversa. Uma vez

calculado, é importante estabelecer sua validade estatística. Para estimar a significância do

índice, será preciso associar a este uma distribuição estatística, sendo mais usual relacionar a

estatística de teste à distribuição normal. Outra possibilidade, sem pressupostos em relação à

distribuição, e abordagem mais comum é um teste de pseudo-significância. Neste caso, são

geradas diferentes permutações dos valores de atributos associados às regiões; cada

permutação produz um novo arranjo espacial, onde os valores estão redistribuídos entre as

áreas. Como apenas um dos arranjos corresponde à situação observada, pode-se construir uma

distribuição empírica de I. Se o valor do índice I medido originalmente corresponder a um

“extremo” da distribuição simulada, então se trata de valor com significância estatística.

Algumas variações do modelo de Moran são o teste C de Geary e o teste Ipop. O

primeiro (C de Geary) difere do teste I de Moran por utilizar a diferença entre os pares,

enquanto que Moran utiliza a diferença entre cada ponto e a média global. Assim, o indicador

C de Geary assemelha-se ao variograma, e o I de Moran ao correlograma.

A hipótese implícita do cálculo do índice de Moran é a estacionariedade de primeira e

segunda ordem, e o índice perde sua validade ao ser calculado para dados não estacionários

Quando existir não-estacionariedade de primeira ordem (tendência), os vizinhos tenderão a ter

valores mais parecidos que áreas distantes, pois cada valor é comparado à média global,

inflacionando o índice. Da mesma forma, se a variância não é constante, nos locais de maior

variância o índice será mais baixo, e vice-versa. Quando o dado é não-estacionário, a função

de autocorrelação continua decaindo mesmo após ultrapassar a distância onde há influências

locais. Como as populações são diferentes entre as subáreas, como é de praxe, então a

densidade de carga possuem variâncias diferentes e a hipótese subjacente ao teste baseado no

índice I de Moran de que as variáveis sejam variáveis aleatórias independentes e

identicamente distribuídas é violada. Desta forma, áreas com populações pequenas possuem

densidade de carga com maior variância e mais propensas a assumir os valores mais extremos

entre os observados. Uma forma de visualizar isto é realizando um gráfico da densidade de

carga versus a área, como se mostra na Figura 2.8, na qual se pode visualizar o efeito funil,

existe pequenas áreas com uma grande densidade de carga. Para aplicação desta seção, a

extensão das subáreas urbanas e o número de habitantes tem uma relação direta, isto permite


realizar a análise a respeito da extensão de área é preferida, pois é mais comum esse dado no

planejamento de expansão das redes elétricas.

Figura 2.8 Gráfico que mostra o instabilidade da densidade de carga, efeito funil.

Para poder contornar este problema foi seguido o procedimento apresentado por

Bivand, Pebesma e Gómez-Rubio (2008), na qual apresentam uma regressão linear de termo

constante. Logo, realiza-se a análise de padrões de área com respeito aos resíduos dessa

regressão linear. Este processo é valido assumindo que os coeficientes de Moran tem uma

distribuição normal. A seguir se mostram os resultados da aplicação desta análise.

Na Figura 2.9 mostra-se o diagrama de espalhamento de Moran. Este diagrama é uma

maneira adicional de visualizar a dependência espacial. Construído com base nos valores

normalizados (valores de atributos subtraídos de sua média e divididos pelo desvio padrão),

permite analisar o comportamento da variabilidade espacial. A ideia é comparar os valores

normalizados do atributo numa área com a média dos seus vizinhos, construindo um gráfico

bidimensional de (valores normalizados) por (média dos vizinhos), que é dividido em

quatro quadrantes, como mostrado nessa figura para os resíduos da regressão linear

supracitada. Os quadrantes podem ser interpretados como: Q1 (valores positivos, médias

positivas) e Q2 (valores negativos, médias negativas): indicam pontos de associação espacial

positiva, no sentido que uma localização possui vizinhos com valores semelhantes. Q3

(valores positivos, médias negativas) e Q4 (valores negativos, médias positivas): indicam

pontos de associação espacial negativa, no sentido que uma localização possui vizinhos com

valores distintos.


Figura 2.9 Diagrama de espalhamento de Moran.

O diagrama de espalhamento de Moran corrobora o processo de dependência espacial.

Na Figura 2.9, a maior parte das subáreas se encontra localizadas nos quadrantes Q1 e Q2,

que apresentam associação espacial positiva. Os pontos localizados nos quadrantes Q3 e Q4

podem ser vistos como regiões que não seguem o mesmo processo de dependência espacial

das demais observações. Evidentemente, o diagrama reflete a estrutura espacial nas duas

escalas de análise: vizinhança e tendência.

O índice de Moran I é equivalente ao coeficiente de regressão linear que indica a

inclinação da reta de regressão (α) de wz em z. Para o caso dos dados apresentados na Figura

2.9, este coeficiente é igual a 0,54, o mesmo valor calculado aplicando-se a fórmula da

equação 2.11.

2.2.4 Indicadores Locais de Associação Espacial

Os indicadores globais de autocorrelação espacial, como o índice de Moran, fornecem

um único valor que é a medida da associação espacial para todo o conjunto de dados, que é

útil na caracterização da região de estudo como um todo. Quando lidamos com grande

número de áreas, é muito provável que ocorram diferentes regimes de associação espacial e

que apareçam máximos locais de autocorrelação espacial, onde a dependência espacial é ainda

mais pronunciada. Assim, muitas vezes é desejável examinar padrões em maior detalhe.

Portanto, é preciso utilizar indicadores de associação espacial que possam ser associados às

diferentes localizações de uma variável distribuída espacialmente. Os indicadores locais


produzem um valor específico para cada área, permitindo assim a identificação de

agrupamentos. O índice local de Moran pode ser expresso para cada área a partir dos valores

normalizados do atributo como:

A significância estatística do uso do índice de Moran local é computada de forma

similar ao caso do índice global. Para cada área, calcula-se o índice local, e depois se permuta

aleatoriamente o valor das demais áreas, até obter uma pseudo-distribuição para a qual

possamos computar os parâmetros de significância. Uma vez determinada a significância

estatística do índice local de Moran, é útil gerar um mapa indicando as regiões que

apresentam correlação local significativamente diferente do resto dos dados. Estas regiões

podem ser vistas como "bolsões" de não-estacionariedade, pois são áreas com dinâmica

espacial própria e que merecem análise detalhada. Na Figura 2.10 mostra-se a significância

dos índices de Moran locais. Logo, foi aplicado o teste de Shapiro-Wilk para conferir se os

índices encontrados tem uma distribuição normal, o teste deu como valor 0.376, portanto, é

aceita a hipótese nula de distribuição normal.

Figura 2.10 Indicador de autocorrelação espacial para a instalação de transformadores do ano 2001.

Apenas os valores cm significância maior de 95%

2.2.5 Conclusões da Análise de Padrões de Área

Os resultados evidenciam que existem algumas subáreas com autocorrelação espacial

com uma significância estatística considerável. Estas subáreas tem dinâmica espacial própria


e merecem uma análise detalhada. Esta informação pode ajudar aos planejadores da empresa

elétrica para encontrar lugares que podem se saturar mais devido a chegada de novas cargas.

Para a rede elétrica os lugares com autocorrelação com significância considerável podem

apresentar um efeito considerável a diferença de subáreas que não apresentam tal

autocorrelação. Por exemplo, Instalar uma nova carga em uma subárea que apresenta uma

autocorrelação com significância igual a 0,05 produzirá um efeito sobre os vizinhos

considerável, possivelmente os vizinhos terão um incremento de densidade de carga, desta

forma, nessa área se poderá obter uma saturação que dever ser analisada para se determinar se

a rede elétrica nessa região pode abastecer a nova carga. No entanto, a mesma carga instalada

em subáreas sem significância estatística considerável poderia não apresentar nenhum efeito

nos vizinhos.

Capítulo 3 – Conclusões 24

Capítulo 3 - Conclusões Finais

Neste trabalho foram apresentadas análises espaciais de padrões de pontos e áreas com

o fim de ajudar aos planejadores na expansão das redes elétricas. A aplicação das análises

realizadas consideram a instalação de transformadores em um sistema elétrico real,

informação que se encontra disponível na maioria de empresas elétricas de distribuição.

A análise de padrões de pontos permitiu determinar que a área de serviço tem um

centro de atividades que coincide com o centro de atividade da cidade. Em outras cidades

pode encontrar-se mais de um centro de atividades ou pode não coincidir com o lugar com

maior densidade de carga. Esta classe de análise permite explorar a área de serviço da

empresa elétrica.

A análise de padrões de áreas pode ajudar aos planejadores na toma decisão da

instalação de novas cargas e fornecer diretrizes de expansão em lugares com autocorrelação

espacial. Enfatiza-se que se deve ter cuidado no momento de análise da densidade de carga,

devido a que se apresenta o efeito funil, aplicações de técnicas de bayes empírico global e

local devem ser exploradas.

Estas classes técnicas espaciais podem ser aplicadas em qualquer área de serviço, mas

deve considerar-se um adequado uso das técnicas. Também os resultados obtidos neste

trabalho não devem ser aplicados com muito critério devido a que embora em alguns lugares

não apresente significância estatística podem ser diferentes no mundo real. É necessário

considerar na aplicação dos resultados a experiência e o conhecimento dos planejadores.

3.1 TRABALHOS FUTUROS

O passo seguinte dentro da análise exploratório é pesquisar se existe alguma variável

que pode ajudar explicar o comportamento da densidade de carga na área urbana, este passo

será realizado em um trabalho futuro com informações do censo 2010 e com a base de

consumo de energia.

Referências 25

REFERÊNCIAS

AGÊNCIA NACIONAL DE ENGENHARIA ELÉTRICA - ANEEL – PRODIST.

Procedimentos de distribuição de energia elétrica no sistema elétrico nacional. Brasília:

Agência Nacional de Energia Elétrica, 2009. Disponível em: <http://www.aneel.gov.br>.

Acesso em: 01 fev. 2009.

BAILEY, T. C.; GATRELL, A. C. Interactive spatial data analysis. Essex, UK: Longman,

1996. 413p.

BIVAND, R. S.; PEBESMA, E. J.; GOMEZ-RUBIO, V.. Applied spatial data analysis with

R. Springer, NY. http://www.asdar-book.org/. 2008.

FUCKS, S.; SÁ CARVALHO, M.; CÂMARA, G.; MONTEIRO, A. M. V. Análise

espacial de dados geográficos. São José dos Campos: EMBRAPA, 2004.

BADDELEY, A.J; GILL, R.D. Kaplan-Meier estimators of interpoint distance distributions

for spatial point processes. Annals of Statistics 25 (1997) 263-292.

R Development Core Team (2008). R: A language and environment for statistical

computing. R Foundation for Statistical Computing, Vienna, Austria. ISBN 3-900051-07-

0, URL http://www.R-project.org. 2008.

SHEATHER, S. J.; JONES M. C. A reliable data-based bandwidth selection method for

kernel density estimation. J. Roy. Statist. Soc. B, 683–690. 1991.

http://www.asdar-book.org/

http://www.r-project.org/

programa de pÓs-graduaÇÃo em engenharia...

Documents